기계 번역으로 제공되는 번역입니다. 제공된 번역과 원본 영어의 내용이 상충하는 경우에는 영어 버전이 우선합니다.
객체 감지 조정 - 모델 TensorFlow
하이퍼파라미터 튜닝이라고도 하는 자동 모델 튜닝은 데이터 세트에 대한 광범위한 하이퍼파라미터를 테스트하는 여러 작업을 실행하여 최적의 모델 버전을 찾습니다. 튜닝 가능한 하이퍼파라미터, 각 하이퍼파라미터에 대한 값 범위 및 목표 지표를 선택합니다. 알고리즘에서 계산하는 지표 중에서 목표 지표를 선택합니다. 자동 모델 튜닝은 선택한 하이퍼파라미터를 검색하여 목표 지표를 최적화하는 모델을 만드는 값 조합을 찾습니다.
모델 튜닝에 대한 추가 정보는 를 사용하여 자동 모델 튜닝을 수행하십시오. SageMaker 단원을 참조하십시오.
객체 감지 - 알고리즘으로 계산된 지표 TensorFlow
Object Detection - TensorFlow 알고리즘으로 어떤 메트릭을 계산하는지 알아보려면 다음 차트를 참조하십시오.
| 지표 이름 | 설명 | 최적화 방향 | Regex 패턴 |
|---|---|---|---|
validation:localization_loss |
상자 예측의 현지화 손실률입니다. |
최소화 |
|
조정 가능한 객체 감지 - 하이퍼파라미터 TensorFlow
다음 하이퍼파라미터를 사용하여 객체 감지 모델을 튜닝하세요. 객체 감지 목표 지표에 가장 큰 영향을 미치는 하이퍼파라미터는 batch_size, learning_rate, optimizer입니다. 선택한 optimizer에 따라 최적화 프로그램 관련 하이퍼파라미터(예: momentum, regularizers_l2, beta_1, beta_2, eps)를 튜닝하세요. 예를 들어, adam이 optimizer인 경우에만 beta_1 및 beta_2를 사용합니다.
각 optimizer에 사용되는 하이퍼파라미터의 유형에 대한 자세한 내용은 물체 감지 - TensorFlow 하이퍼파라미터을(를) 참조하세요.
| 파라미터 이름 | 파라미터 유형 | 권장 범위 |
|---|---|---|
batch_size |
IntegerParameterRanges |
MinValue: 8, MaxValue: 512 |
beta_1 |
ContinuousParameterRanges |
MinValue: 1e-6,: 0.999 MaxValue |
beta_2 |
ContinuousParameterRanges |
MinValue: 1e-6,: 0.999 MaxValue |
eps |
ContinuousParameterRanges |
MinValue: 1e-8,: 1.0 MaxValue |
learning_rate |
ContinuousParameterRanges |
MinValue: 1e-6,: 0.5 MaxValue |
momentum |
ContinuousParameterRanges |
MinValue: 0.0,: 0.999 MaxValue |
optimizer |
CategoricalParameterRanges |
['sgd', ‘adam’, ‘rmsprop’, 'nesterov', 'adagrad', 'adadelta'] |
regularizers_l2 |
ContinuousParameterRanges |
MinValue: 0.0,: 0.999 MaxValue |
train_only_on_top_layer |
CategoricalParameterRanges |
['True', 'False'] |
initial_accumulator_value |
CategoricalParameterRanges |
MinValue: 0.0,: 0.999 MaxValue |
